技术特征：
1.一种人脸识别模型训练方法，其特征在于，包括：a）获得人脸数据集，所述人脸数据集用于对人脸识别的待训练神经网络进行训练；b）对人脸数据集进行预处理，得到输入数据；c）将输入数据输入到待训练神经网络中，待训练神经网络对输入数据进行特征提取；d）根据待训练神经网络输出的输出向量来计算网络损失，包括采用如下算式来计算待训练神经网络的网络损失：其中，l表示网络损失，n表示每个批次训练样本的数量，s表示人脸向量映射超球体的半径，表示某一类人或某个人，m表示角度裕量，λ表示平衡参数，用于平衡算式中加号前后两部分的权重，表示某一类的向量，表示第类样本的深度特征的中心，k表示网络第k层，表示第i层所有权重之和；e）根据网络损失来更新权重值；f）重复执行上述步骤c、步骤d、步骤e，直至网络损失收敛至低于预定的第一目标值；g）将待训练神经网络中小于预设的第一阈值的权重值设置为0；h）重复执行上述步骤c、步骤d、步骤e，直至网络损失收敛至低于预定的第二目标值。2.如权利要求1所述的人脸识别模型训练方法，其特征在于，所述获得人脸数据集包括：采用本地摄像头和opencv来获取人脸数据集。3.如权利要求1所述的人脸识别模型训练方法，其特征在于，所述获得人脸数据集包括：从互联网上下载公开的人脸数据集。4.如权利要求3所述的人脸识别模型训练方法，其特征在于，所述获得人脸数据集还包括：对人脸数据集进行数据清理；所述对人脸数据集进行数据清理包括：获取第一神经网络，所述第一神经网络为经训练后的人脸识别神经网络；将人脸数据集输入到第一神经网络中，其中，将同一个人的照片放在同一个文件夹内进行输入，不同的文件夹对应于不同人的照片；针对各张照片，第一神经网络分别输出输出向量；针对各个文件夹，分别计算文件夹内所有照片的输出向量的平均值；计算各张照片的输出向量与该照片所在文件夹内所有照片的输出向量的平均值之间的距离，作为第一距离；删除第一距离大于预设的第二阈值的照片。5.如权利要求1所述的人脸识别模型训练方法，其特征在于，所述获得人脸数据集包括：从互联网上下载多位公众人物的照片组成人脸数据集，该人脸数据集中包括关于各位公众人物的照片多张。6.如权利要求1所述的人脸识别模型训练方法，其特征在于，所述对人脸数据集进行预处理包括：对于人脸数据集中的yuv图形，提取其在y方向上的分量作为待训练神经网络的输入。7.如权利要求1所述的人脸识别模型训练方法，其特征在于，所述对人脸数据集进行预
处理包括：对人脸数据集中的照片进行随机旋转、随机翻转和/或随机裁剪。8.如权利要求1所述的人脸识别模型训练方法，其特征在于，所述待训练神经网络对输入数据进行特征提取包括：采用inception-resnet-v1网络结构的神经网络来对输入数据进行特征提取。9.如权利要求1所述的人脸识别模型训练方法，其特征在于，所述根据网络损失来更新权重值包括：计算网络损失对于各个网络权重值的导数，根据该导数和学习率来更新权重值。10.如权利要求1所述的人脸识别模型训练方法，其特征在于，所述第二目标值小于或等于所述第一目标值。11.一种人脸识别方法，其特征在于，包括：采用权利要求1至10中任一项所述的人脸识别模型训练方法来对待训练神经网络进行训练；采用训练后的待训练神经网络来进行人脸识别。